apabila sama dengan atau lebih besar dari 0,6 berarti reliabel. Hasil uji reliabilitas dapat dilihat pada tabel berikut ini:
Tabel 9. Hasil Uji Reliabilitas
Variabel Alpha Cronbach
Keterangan Kompetensi Guru
0,871 Reliabel
Fasilitas Belajar 0,889
Reliabel Motivasi Belajar
0,871 Reliabel
Sumber: Data Primer 2014 Berdasarkan tabel di atas, diperoleh nilai Cronbach’s Alpha nilai
Cronbach’s Alpha lebih besar dari nilai 0,6. Dengan demikian jawaban- jawaban responden dari variabel penelitian tersebut dapat digunakan untuk
penelitian.
H. Teknik Analisis Data
1. Uji Prasyarat Analisis
a. Uji Normalitas
Uji normalitas dilakukan untuk mengetahui apakah data berdistribusi normal atau berdistribusi tidak normal. Pengujian
dengan menggunakan nilai critical ratio skewness. Di mana dikatakan normal apabila c.r. skewness sebesar 1,96c.r.1,96 pada
tingkat signifikansi 5 Husein Umar, 2011: 186. b.
Uji Linearitas
Uji linearitas digunakan untuk mengetahui apakah hubungan antar variabel bebas dan variabel terikatnya linear. Kriteria yang
digunakan adalah dengan uji F. Apabila nilai sig F tersebut kurang
dari 0,05 maka hubungannya tidak linear, sedangkan jika nilai sig F lebih besar dari atau sama dengan 0,05 maka hubungannya linear
Ali Muhson, 2009. c.
Uji Multikolinearitas
Uji multikolinearitas digunakan untuk mengetahui ada atau tidaknya penyimpangan asumsi klasik multikolinearitas yaitu adanya
hubungan linear antar variabel independen dalam model regresi. Prasyarat yang harus terpenuhi dalam model regresi adalah tidak
adanya multikolinearitas. Untuk menguji terjadi tidaknya multikolinearitas antar variabel
bebas dengan menyelidiki besarnya interkorelasi antar variabel independen. Multikolinearitas dapat dideteksi nilai Varians Inflation
Factor VIF. Jika nilai VIF tersebut kurang dari 4 maka tidak terjadi multikolinearitas, sedangkan jika nilai VIF lebih dari 4 maka
terjadi multikolinearitas Ali Muhson, 2009. 2. Analisis Data
Data yang sudah terkumpul kemudian dilakukan analisis jalur Path Analysis. Analisis jalur adalah pengembangan dari analisis regresi, dan
digunakan untuk melukiskan dan menguji hubungan antar variabel yang berbentuk sebab akibat Imam Ghozali, 2008: 21. Analisis jalur ini
dilakukan dengan program AMOS versi 21. Adapun langkah-langkahnya adalah sebagai berikut:
a. Menilai Kriteria Goodness of Fit
Sebelum dilakukan penilaian kelayakan dari model struktur, langkah yang harus dilakukan adalah menilai apakah data yang akan
diolah memenuhi asumsi model persamaan struktural. 1 Uji Asumsi Dasar
Uji asumsi dasar yang harus dipenuhi dalam prosedur pengumpulan dan pengolahan data yang dianalisis dengan
permodelan Structural Equation Modeling SEM adalah sebagai berikut:
a Observasi data independen. b Responden diambil secara random.
c Memiliki hubungan linier. Selain
itu, juga
dilakukan uji
normalitas dan
multikolinearitas Imam Ghozali, 2008: 65. 2 Uji Offending Estimate
Uji ini dilakukan untuk melihat ada tidaknya Offending Estimate yaitu estimasi koefisien baik dalam model struktural
maupun model pengukuran yang lainnya di atas batas yang dapat diterima. Terjadinya Offending Estimate ditunjukkan oleh:
a Variance error yang negatif atau non signifikan error variance untuk konstruk.
b Standardized coefficient yang mendekati 1,0. c Adanya standart error yang tinggi.
Jika terjadi Offending Estimate, maka penelitian harus menghilangkannya terlebih dahulu sebelum penilaian kelayakan
model Imam Ghozali, 2008: 65. 3 Penilaian Overall Model Fit
Penilaian Overall Model Fit mengukur kesesuaian input observasi atau sesungguhnya matrik kovarian atau korelasi
dengan prediksi dari model yang diajukan proposed model. Dalam penilaian ini menggunakan ukuran goodness of fit yaitu:
a Likelihood-Ratio Chi-Square Statistic Ukuran fundamental dari overall fit adalah likelihood-
ratio chi-square χ
2
. Nilai chi-square yang tinggi relatif terhadap degree of freedom menunjukkan bahwa matrik
kovarian atau korelasi yang diobservasi dengan yang diprediksi berbeda secara nyata dan ini menghasilkan
probabilitas P lebih kecil dari tingkat signifikansi α.
Sebaliknya, nilai chi-square yang kecil akan menghasilkan nilai probabilitas yang lebih besar dari tingkat signifikansi
dan ini menunjukkan bahwa input matrik kovarian antara prediksi dengan observasi sesungguhnya tidak berbeda
secara signifikan. Dalam hal ini, peneliti harus mencari nilai chi-square yang tidak signifikan karena mengharapkan
model yang diusulkan cocok atau fit dengan data observasi.
Atau dengan kata lain nilai chi-square diharapkan kecil. Imam Ghozali, 2008: 66.
b GFI Goodness of Fit Index Goodness of Fit Index adalah ukuran nonstatistik yang
nilainya berkisar dari nilai 0 poor fit sampai 1 perfect fit. Nilai GFI tinggi menunjukkan fit yang lebih baik. Nilai
yang direkomendasikan adalah ≥ 0,90. Program AMOS
akan memberikan nilai GFI dengan perintah \gfi Imam Ghozali, 2008: 67.
c RMSEA Root Mean Square Error of Approximation Root Mean Square Error of Approximation merupakan
ukuran yang mencoba memperbaiki kecenderungan statistic chi-square menolak model dengan jumlah sampel yang
besar. Nilai RMSEA 0,05 merupakan ukuran good fit, sedangkan 0,08 merupakan ukuran reasonable fit
Armando Luis Vieira, 2011: 14. Program AMOS akan memberikan nilai RMSEA dengan perintah \rmsea.
d AGFI Adjusted Goodness-of-Fit Index
AGFI merupakan analog dari R
2
dalam regresi berganda. Baik GFI maupun AGFI adalah kriteria yang
memperhitungkan proporsi tertimbang dari varian dalam sebuah matriks kovarians sampel. AGFI yang diharapkan
sebesar ≥ 0,90. Program AMOS akan memberikan nilai GFI
dengan perintah \agfi Imam Ghozali, 2008: 67.
b. Membangun Diagram Jalur